Agentic Coding 時代的自建與採購抉擇

資料來源#

• 2026 State of Scaling: The Great Sorting
• The state of AI in 2026: On the road to ROI

摘要#

The state of AI in 2026: On the road to ROI（McKinsey / QuantumBlack，2026-08-25，於 2026 年 5 月 4 日至 6 月 8 日對 97 個國家的 1,719 名參與者進行線上調查，按 GDP 加權，屬於 empirical，但完全依據自我回報）報告了一項採購影響，而本資料集中的其他來源都未曾以人口規模衡量過：

「近三分之一的受訪者（32%）表示，他們的組織曾決定不購買至少一項軟體產品或功能，因為他們能使用 agentic coding 工具在內部自行建置該功能。」

這是供給面論點在買方一側的對應案例：Implementation Abundance Inverts Product Work 從前沿實驗室內部提出的主張是：若推出一項功能的成本很低，自製或採購的界線就會移動。如今，這條界線已在全球受訪者樣本中約三分之一的人身上移動，而且發生在短短一年內，卻無人對外宣布。

分布情形與其影響（Exhibit 4）#

產業	決定不採購的比例（%）	n
科技	41	199
醫療保險支付方與服務提供者	39	47
專業服務	38	205
能源與材料	38	153
金融機構	36	148
媒體與電信	34	71
製藥與醫療產品	33	55
旅遊與物流	31	56
消費品與零售	29	116
工程與營造	28	72
先進製造	27	95
保險	19	40
公共與社會部門	17	71
總計	32	1,719

比例落差介於 17 至 41 個百分點，窄於同一份調查中其他採用率的落差；這是首先值得注意之處。這並非科技業獨領風騷、其他產業遠遠落後的故事；能源與材料（38）及專業服務（38）只比科技業低三個百分點，十三個產業中有十一個達到 27%。落後的兩個產業，正是樣本中採購限制最嚴格的兩個產業（保險、公共與社會部門），這與決策取決於「是否獲准自建」而非「是否有能力自建」的解釋一致。

高績效者之間的差距是整組圖表中最大的：近半數 AI 高績效者（占受訪者 6%，將 ≥5% 的 EBIT 歸因於 AI，並認為其價值「顯著」）表示曾放棄採購，其餘受訪者則為 31%。相較於同一群人在工作流程重新設計方面的差距（約 72% 對約 25%，Exhibit 11，近似值），這個差距不大——自建而不採購是調查中高績效者行為最不集中的一種，也就是說，它已擴散至領先群體之外。

前提條件：哪些組織實際做得到（Exhibit 3）#

這項決策需要具備編碼代理程式能力，而這項能力受組織規模影響：

軟體編碼代理程式	營收 ≥$1B	營收 <$1B
至少正在擴大使用	31	17
試行中	16	15
實驗中	21	21
完全沒有	21	40
不知道	11	7

整體而言，約兩成組織表示正在擴大使用軟體編碼代理程式。因此，約三成組織表示曾放棄採購，但只有約兩成表示正在擴大使用促成這項決策的工具——決策略微領先於能力規模化，這符合只要某團隊使用編碼代理程式，就足以讓一項續約案告吹的情況。AI 高績效者的擴大使用比例則是兩倍（40% 對 20%，Exhibit 13）。

值得注意的是，大型企業在編碼代理程式一項的「不知道」比例為 11%，僅次於其他 AI 技術，是 Exhibit 3 中所有工具的第二高。樣本中高階主管占比高（1,490 名職務身分明確的受訪者中，654 人是高階主管；195 人是個人貢獻者），而且主管對編碼代理程式的把握度明顯低於對聊天機器人的把握度。應將編碼代理程式的數據視為調查中最不確定的一項，而不是最可靠的一項。

限制條件：自建選項並非免費（Exhibits 8 and 14）#

約 20% 的受訪者表示，包含 token 成本在內的 AI 相關營運成本限制了其組織使用 AI；不同公司規模之間大致持平，各產業則介於 12%（消費品與零售、公部門）至 25%（科技）。分工具來看，約每十位受訪者中就有一位表示聊天機器人、代理程式和編碼代理程式各自受到成本限制。

此處關鍵是 Exhibit 14：AI 高績效者中，有 18% 表示軟體編碼代理程式的使用受到成本限制，所有其他受訪者則為 6%——相差 3 倍，而且是唯一一種高績效者回報限制高於其他所有人的工具（聊天機器人為 10 對 9、其他代理程式為 8 對 9、專用工具為 6 對 6）。選擇自建而非採購的組織，正是碰上 token 帳單壓力的組織。Michael Chui 在文章的評論中說明了背後機制：

「他們發現，對 agentic software development 和最能受惠於前沿模型的複雜推理任務來說，AI 並非『便宜到不值得計量』：即使每個 token 的成本下降，消耗與產生的 token 數量卻增加得更快。」

這正是 Cost-per-Task Over Cost-per-Token 在任務層面提出的同一種情況，如今出現在預算層面：自建決策之所以成立，是因為實作變便宜了；然而，計價的單位總額卻持續上升。

實際重新配置的是什麼#

Chui 點出了預算項目：「AI 也會影響 IT 預算的其他部分：agentic coding 工具提供了一種更有能力的選項，讓部分軟體開發改在內部進行，而不必採購套裝軟體。」周邊兩項數據呈現了規模：28% 的受訪者表示其組織將超過 10% 的企業整體 ICT 預算用於 AI；60% 預期來年會增加 AI 投資（Exhibit 9）。

Lieven Van der Veken 將同一項發現描述為立場轉變，而非支出變化：

「直到最近，許多領導者仍認為自己的技術團隊沒有能力做好 AI……如今，風向正在改變。領導者開始詢問，組織需要具備什麼條件才能自行建置 AI 工具。軟體編碼代理程式興起，以及內部開發增加，正是這種更大範圍轉變的一項明確跡象。」

他也明確提醒，這「不代表公司應該什麼都自己建置」——主張是買方如今能「以主動掌握局勢的姿態」進行談判；這是顧問業的說法，不是測量結果。解讀時應納入這點：McKinsey 提供這種立場轉變所帶動的 AI 轉型服務。

這項決策與自行分叉 harness 並不相同#

Harness Build-vs-Buy 為本資料集中的另一種自建與採購決策估價——是否自行掌握編碼代理程式本身；其衡量的持有成本，是每年每個分叉的 harness 需追上游變動所產生的約 4,600 個已合併 PR（約每天 13 個）。這兩項決策方向相反，而且放在一起考量時並不協調：

• **Harness 層：**論點主張預設應採購（或在可行的最高層級進行客製化），因為產物變動太快，任何分叉都無法跟上。
• **應用程式層：**自建成為新選項，因為購買的 harness 讓應用程式程式碼變得便宜。

組織可以理性地租用編碼代理程式，再自行建置代理程式所撰寫的軟體——McKinsey 的數據表示，三分之一的組織正好採取了後半段做法。兩個來源都沒有衡量這兩種情況如何組合：沒有人調查放棄採購 SaaS 產品的組織，使用的是供應商提供的 harness，還是自行維護分叉版本。

這項調查工具無法支持哪些結論#

調查詢問的是組織是否「決定不採購」至少一項產品或功能。決策之後的所有情況都沒有衡量：

• 沒有金額。「一項或多項產品或功能」同時涵蓋取消一個 200 萬美元的 ERP 模組，以及拒絕一個每月 40 美元的附加功能。資料無法區分預算重新配置與採購軼聞。
• **沒有完成情況。**調查記錄的是決策當下的決定。內部建置是否出貨、是否涵蓋與產品相同的範圍，或一年後是否仍在運作，都不在調查工具的衡量範圍內——這正是此數據可能反映 Pilot-to-Production Gap 所述機制，而非反例的具體原因。
• **沒有維護期限。**採購產品的成本是續約費；自建產品的成本則是長期維持團隊。調查沒有為兩者估價。
• **沒有反事實基準。**有些採購原本就不會發生。調查沒有控制預算壓力，而同一調查期間的預算壓力本來就很大。
• 自我回報，每個組織一名受訪者，按 GDP 加權，來自 McKinsey 自有樣本；在同一份調查中，同一群受訪者回報的企業層級 EBIT 影響幾乎沒有變動，維持在 37%。同一份調查裡，曾在其他題目回報尚未實現的亮眼成果的受訪者，也回報了這項結果。

同一論點，由公開市場定價（ICONIQ，2026 年 9 月）#

以上證據皆來自買方調查或業界人士說法。ICONIQ 的 2026 State of Scaling（ICONIQ Venture & Growth，2026 年 9 月，empirical）則以估值事實呈現供應商一側的後果，並毫不含糊地提出因果主張：「前沿 AI 模型的興起讓內部應用程式開發更容易，對所有軟體次產業的 NTM 營收倍數造成壓力」（第 13 頁）。

周邊數據如下：標普軟體指數過去 12 個月下跌 3%，落後所有其他產業；半導體則上漲 47%。軟體產業內部，2026 年第二季的 NTM 營收倍數分別為高成長公司（成長率 20% 以上）的 9.2 倍，以及其餘公司的 2.7 倍。報告指出，基礎設施與資安是較具韌性的次產業，理由是部署 AI 的公司必須先採購基礎設施、資料系統、治理與資安方案，才能可靠地推動部署——也就是應用程式層自建而不採購，帶動下一層融資採購而不自建。

**這項證據應占多少分量。**倍數數據是真實且公開的；但歸因是 ICONIQ 的編輯判斷，沒有拆分內部化壓力、利率環境、成長減速或 AI 原生競爭者加入市場各自的影響——這些因素都會壓縮軟體倍數，但不全是自建而不採購。這項證據能確立的論點比字面上窄，但仍值得參考：大型成長型投資者如今將內部開發列為軟體倍數壓縮的首要解釋之一，這表示本頁的論點正在被市場定價，而不只是接受調查。應將其視為市場對該論點的預期，而非論點已獲證實。

延伸閱讀#

• Implementation Abundance Inverts Product Work — 這是供給面論點的需求面解讀：實作充沛開始影響採購訂單。它提出的「當 token 無限供應的前沿實驗室之外，這種反轉是否依然成立？」在此得到部分肯定、部分否定的答案。
• Harness Build-vs-Buy — 同一個動詞出現在下一層，方向卻相反；參見上文討論的組合缺口。
• Standardize the Infrastructure, Not the Tools — 成本可視性層讓 token 帳單成為主管能採取行動的預算項目；20% 的成本受限比例，就是這種計量方式在人口規模下讀出的結果。
• Cost-per-Task Over Cost-per-Token — 自建決策做出後所採用的計價方式，以及 Chui 所說 token 增長速度快於價格下跌的觀察。
• The AI-Native Safe-Choice Inversion — 供應商一側的威脅：買方眼中的「安全」選項曾經反轉，轉向 AI 原生的新競爭者；此處則是第三種選項：買方停止採購。
• Forward-Deployed Engineering as a Delivery Layer — 同一項需求的另一種解法。企業因為能自行建置而拒絕採購，與企業付費請供應商派駐工程師替自己建置，兩者要的都是合身的系統而非現成產品；選擇哪種解法，取決於企業是否相信自己具備內部能力，而目前沒有來源衡量兩者的比例。
• Pilot-to-Production Gap — 這是應謹慎看待該數據的理由：不採購的決定，正是試點成功條件可能促成、卻無法在正式上線時兌現的承諾。
• Seven Powers Applied to AI — 同一採購轉變，但嚴重程度不同：32% 直接放棄採購，是該頁追蹤的轉換成本侵蝕之極端案例；較溫和、常見得多的表現，則是 Madrona 所報告的 77% 企業每半年重新評估 AI 供應商。請注意，兩項數據不能相加——調查工具不同、樣本不同；一項談的是買方能自行建置的軟體，另一項談的是買方持續重複採購的 AI 供應商。

尚待解答的問題#

• 放棄的採購會一直維持下去嗎？沒有來源記錄內部替代方案是否撐過一個維護週期，或供應商是否在續約後 24 個月再次受聘。調查只記錄決策當下的情況，而重新採購才是足以推翻結論的事件。若後續調查再次詢問同一批受訪者當初拒絕的特定產品，就能釐清此事。
• 這 32% 是否代表實際資金流動？調查工具沒有金額，也沒有最低規模限制，因此此數據既可能代表大幅度的預算重新配置，也可能只是拒絕了十三項附加功能。若將支付軌跡資料套用於軟體供應商支出——也就是把 Ramp aperture 對準 SaaS 項目而非 AI 供應商——就能區分兩者；真正的替代效應會呈現為回報比率最高的產業，其新增軟體供應商支出增速放緩。
• 自建選項會因 token 不足而受到限制嗎？高績效者回報自建而不採購的比例約為 48%，同時有 18% 表示編碼代理程式的使用受到成本限制（是其他所有受訪者的 3 倍）；但調查沒有公布交叉表，因此無法判斷是否同一批組織同時符合兩種情況。若是如此，採購影響便會碰到價格上限，最終停滯，而非持續累積。

資料來源#

• The state of AI in 2026: On the road to ROI — Dan Tinkoff、Lieven Van der Veken 與 Michael Chui，Tara Balakrishnan 協作，The state of AI in 2026: On the road to ROI（McKinsey / QuantumBlack，2026-08-25，empirical，自我回報）：重點摘要與「Use of AI is deepening」一節提供 32% 的主要數據；Exhibit 4（產業細項及各產業 n）；Exhibit 3（依營收級距分類的編碼代理程式階段）；Exhibits 13 and 14（高績效者的擴大使用情況及各工具的成本限制）；Exhibit 8（依產業分類的成本受限使用）；Exhibit 9（投資預期）；Van der Veken 與 Chui 的評論段落；「About the research」一節說明樣本。全部 18 張圖表都是點陣化 SVG，於匯入時轉錄——Exhibit 11 沒有印出標籤，數值是依格線讀取（屬近似值，引用處皆已標明）。**COI：**McKinsey 提供此項發現所暗示需求的 AI 轉型顧問服務，「主動掌握局勢」的說法也是顧問服務的包裝。完整證據處理內容見 Source Notes。
• 2026 State of Scaling: The Great Sorting — ICONIQ Venture & Growth，2026 State of Scaling: The Great Sorting（2026 年 9 月，empirical；52 頁 PDF，經 docling 解析）。此處僅用於公開市場一節（第 11–14 頁）：軟體指數過去 12 個月下跌 3%，半導體則上漲 47%；NTM 營收倍數分別為 9.2 倍與 2.7 倍；以及 ICONIQ 將倍數壓縮歸因於前沿模型讓內部應用程式開發更容易。市場數據公開可查；因果歸因則是出版方未經拆解的編輯判斷。出版方的利益衝突見 ICONIQ。